Proyect
Cristopher Barrios, Elean Rivas, Angel Higueros, Mariana David
16/2/2023
librerias
## Warning: package 'plotly' was built under R version 4.2.3## Loading required package: ggplot2##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layout##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union## Package 'mclust' version 6.0.0
## Type 'citation("mclust")' for citing this R package in publications.## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2## Loading required package: data.table##
## Attaching package: 'data.table'## The following objects are masked from 'package:dplyr':
##
## between, first, lastdatos
M2009 <- read_sav("Matrimonios/Matrimonio2009.sav") # nolint
M2010 <- read_sav("Matrimonios/Matrimonio2010.sav") # nolint
M2011 <- read_sav("Matrimonios/Matrimonio2011.sav") # nolint
M2012 <- read_sav("Matrimonios/Matrimonio2012.sav") # nolint
M2013 <- read_sav("Matrimonios/Matrimonio2013.sav") # nolint
M2014 <- read_sav("Matrimonios/Matrimonio2014.sav") # nolint
M2015 <- read_sav("Matrimonios/Matrimonio2015.sav") # nolint
M2016 <- read_sav("Matrimonios/Matrimonio2016.sav") # nolint
M2017 <- read_sav("Matrimonios/Matrimonio2017.sav") # nolint
M2018 <- read_sav("Matrimonios/Matrimonio2018.sav") # nolint
M2019 <- read_sav("Matrimonios/Matrimonio2019.sav") # nolint
M2020 <- read_sav("Matrimonios/Matrimonio2020.sav") # nolint
M2021 <- read_sav("Matrimonios/Matrimonio2021.sav") # nolintNacimiento
N2009 <- read_sav("Nacimientos/Nacimiento2009.sav") # nolint
N2010 <- read_sav("Nacimientos/Nacimiento2010.sav") # nolint
N2011 <- read_sav("Nacimientos/Nacimiento2011.sav") # nolint
N2012 <- read_sav("Nacimientos/Nacimiento2012.sav") # nolint
N2013 <- read_sav("Nacimientos/Nacimiento2013.sav") # nolint
N2014 <- read_sav("Nacimientos/Nacimiento2014.sav") # nolint
N2015 <- read_sav("Nacimientos/Nacimiento2015.sav") # nolint
N2016 <- read_sav("Nacimientos/Nacimiento2016.sav") # nolint
N2017 <- read_sav("Nacimientos/Nacimiento2017.sav") # nolint
N2018 <- read_sav("Nacimientos/Nacimiento2018.sav") # nolint
N2019 <- read_sav("Nacimientos/Nacimiento2019.sav") # nolint
N2020 <- read_sav("Nacimientos/Nacimiento2020.sav") # nolint
N2021 <- read_sav("Nacimientos/Nacimiento2021.sav") # nolintDivorcios
D2009 <- read_sav("Divorcios/Divorcio2009.sav") # nolint
D2010 <- read_sav("Divorcios/Divorcio2010.sav") # nolint
D2011 <- read_sav("Divorcios/Divorcio2011.sav") # nolint
D2012 <- read_sav("Divorcios/Divorcio2012.sav") # nolint
D2013 <- read_sav("Divorcios/Divorcio2013.sav") # nolint
D2014 <- read_sav("Divorcios/Divorcio2014.sav") # nolint
D2015 <- read_sav("Divorcios/Divorcio2015.sav") # nolint
D2016 <- read_sav("Divorcios/Divorcio2016.sav") # nolint
D2017 <- read_sav("Divorcios/Divorcio2017.sav") # nolint
D2018 <- read_sav("Divorcios/Divorcio2018.sav") # nolint
D2019 <- read_sav("Divorcios/Divorcio2019.sav") # nolint
D2020 <- read_sav("Divorcios/Divorcio2020.sav") # nolint
D2021 <- read_sav("Divorcios/Divorcio2021.sav") # nolintDescripción variables y observaciones
Comience describiendo cuantas variables y observaciones tiene disponibles, el tipo de cada una de las variables.
Las bases de datos de matrimonios cuentan con diferentes cantidades de variables,pero las 22 más comunes son: —Para divorcios— DEPREG: cualitativa MUPREG: cualitativa MESREG: cualitativa AÑOREG: cuantitativa discreta DIAOCU: cuantitativa MESOCU: cualitativa ANOOCU: cuantitativa discreta DEPOCU: cualitativa MUPOCU: cualitativa EDADHOM: cuantitativa discreta EDADMUJ: cuantitativa discreta GETHOM: cualitativa GETMUJ: cualitativa NACHOM: cualitativa NACMUJ: cualitativa OCUHOM: cualitativa OCUMUJ: cualitativa MEVER: cualitativa ANOVER: cualitativa
Resumen de datos
Haga un resumen de las variables numéricas e investigue si siguen una distribución normal y tablas de frecuencia para las variables categóricas, escriba lo que vaya encontrando.
#summary(M2009)
# Crear una lista con los conjuntos de datos
datasets <- list(D2009, D2010, D2011, D2012, D2013, D2014, D2015, D2016, D2017, D2018, D2019, D2020, D2021)
# Crear un bucle for para analizar cada conjunto de datos y obtener los nombres de las variables numéricas
for (i in 1:length(datasets)) {
vars_numéricas <- sapply(datasets[[i]], is.numeric)
print(names(vars_numéricas[vars_numéricas]))
}## [1] "Depreg" "Mesreg" "Diaocu" "Mesocu" "Depocu" "Edadhom" "Edadmuj"
## [8] "Gethom" "Getmuj" "Nachom" "Nacmuj" "Ocuhom" "Ocumuj" "Mever"
## [15] "Anover"
## [1] "depreg" "mesreg" "añoreg" "diaocu" "mesocu" "añoocu"
## [7] "depocu" "edadhom" "edadmuj" "grethom" "gretmuj" "nachom"
## [13] "nacmuj" "escohom" "escomuj" "ocupahom" "ocupamuj"
## [1] "depreg" "mesreg" "añoreg" "diaocu" "mesocu" "añoocu"
## [7] "depocu" "edadhom" "edadmuj" "grethom" "gretmuj" "nachom"
## [13] "nacmuj" "escohom" "escomuj" "ocupahom" "ocupamuj"
## [1] "DEPREG" "MESREG" "AÑOREG" "DIAOCU" "MESOCU" "DEPOCU" "EDADHOM"
## [8] "EDADMUJ" "GETHOM" "GETMUJ" "NACHOM" "NACMUJ" "ESCHOM" "ESCMUJ"
## [1] "DEPREG" "MESREG" "AÑOREG" "DIAOCU" "MESOCU" "DEPOCU" "EDADHOM"
## [8] "EDADMUJ" "PUEHOM" "PUEMUJ" "NACHOM" "NACMUJ" "ESCHOM" "ESCMUJ"
## [1] "DEPREG" "MESREG" "AÑOREG" "DIAOCU" "MESOCU" "DEPOCU" "EDADHOM"
## [8] "EDADMUJ" "PUEHOM" "PUEMUJ" "NACHOM" "NACMUJ" "ESCHOM" "ESCMUJ"
## [1] "DEPREG" "MESREG" "AÑOREG" "DIAOCU" "MESOCU" "AÑOOCU" "DEPOCU"
## [8] "EDADHOM" "EDADMUJ" "PUEHOM" "PUEMUJ" "NACHOM" "NACMUJ" "ESCHOM"
## [15] "ESCMUJ" "CIUOHOM" "CIUOMUJ"
## [1] "DEPREG" "MESREG" "AÑOREG" "DIAOCU" "MESOCU" "AÑOOCU" "DEPOCU"
## [8] "EDADHOM" "EDADMUJ" "PPERHOM" "PPERMUJ" "NACHOM" "NACMUJ" "ESCHOM"
## [15] "ESCMUJ" "CIUOHOM" "CIUOMUJ"
## [1] "DEPREG" "MESREG" "AÑOREG" "DIAOCU" "MESOCU" "AÑOOCU" "DEPOCU"
## [8] "EDADHOM" "EDADMUJ" "PPERHOM" "PPERMUJ" "NACHOM" "NACMUJ" "ESCHOM"
## [15] "ESCMUJ" "CIUOHOM" "CIUOMUJ"
## [1] "DEPREG" "MESREG" "AÑOREG" "DIAOCU" "MESOCU" "AÑOOCU" "DEPOCU"
## [8] "EDADHOM" "EDADMUJ" "PPERHOM" "PPERMUJ" "NACHOM" "NACMUJ" "ESCHOM"
## [15] "ESCMUJ" "CIUOHOM" "CIUOMUJ"
## [1] "DEPREG" "MESREG" "AÑOREG" "DIAOCU" "MESOCU" "AÑOOCU" "DEPOCU"
## [8] "EDADHOM" "EDADMUJ" "PPERHOM" "PPERMUJ" "NACHOM" "NACMUJ" "ESCHOM"
## [15] "ESCMUJ" "CIUOHOM" "CIUOMUJ"
## [1] "DEPREG" "MESREG" "AÑOREG" "DIAOCU" "MESOCU" "AÑOOCU" "DEPOCU"
## [8] "EDADHOM" "EDADMUJ" "PPERHOM" "PPERMUJ" "NACHOM" "NACMUJ" "ESCHOM"
## [15] "ESCMUJ" "CIUOHOM" "CIUOMUJ"
## [1] "DEPREG" "MESREG" "AÑOREG" "DIAOCU" "MESOCU" "AÑOOCU" "DEPOCU"
## [8] "EDADHOM" "EDADMUJ" "PPERHOM" "PPERMUJ" "NACHOM" "NACMUJ" "ESCHOM"
## [15] "ESCMUJ"Variables importantes
Cruce las variables que considere que son las más importantes para hallar los elementos clave que lo pueden llevar a comprender lo que está causando el problema encontrado.
Tiempo: Es importante poder ver el cambio a través del tiempo, si ha habido un incremente o decremento, tanto en matrimonios como en divorcios
NUNUHO:“Número de nupcias del hombre” NUNUMU:“Número de nupcias de la mujer”
M2021[, c(7, 8)]## # A tibble: 87,480 × 2
## NUNUHO NUNUMU
## <dbl+lbl> <dbl+lbl>
## 1 9 [Ignorado] 9 [Ignorado]
## 2 1 1
## 3 9 [Ignorado] 9 [Ignorado]
## 4 1 1
## 5 9 [Ignorado] 9 [Ignorado]
## 6 9 [Ignorado] 9 [Ignorado]
## 7 9 [Ignorado] 9 [Ignorado]
## 8 1 1
## 9 9 [Ignorado] 9 [Ignorado]
## 10 9 [Ignorado] 9 [Ignorado]
## # … with 87,470 more rowsSaber si una persona ha estado previamente casada y si esto influye en la posibilidad de divorcio, cómo hipotesis se espera que las personas que han tenido más de dos nupcias antes, son más propensas al divorcio
Edadhom: “Edad del hombre” Edadmuj: “Edad de la mujer”
D2021[, c(10, 11)]## # A tibble: 9,621 × 2
## EDADHOM EDADMUJ
## <dbl+lbl> <dbl+lbl>
## 1 29 25
## 2 36 37
## 3 34 31
## 4 48 33
## 5 44 28
## 6 39 27
## 7 45 40
## 8 999 [Ignorado] 999 [Ignorado]
## 9 36 31
## 10 999 [Ignorado] 999 [Ignorado]
## # … with 9,611 more rowsLa edad puede ser un dato interesante a explorar, esto para saber si los jovenes tienen más tendencia a casarse o divorcioarse y si los matrimonios más duraderos tienen menos divorcios
Genero: Es interesante ver que genero es más propenso a los divorcios, esto también puede estar relacionado con la cantidad de nupcias de una persona
Efectos de la pandemia: Ver como los divorcios y matrimonios se comportaron a partir de marzo de 2020 que fue el momento en que la cuarentena empezó a hacerse efectiva
Graficos exploratorios
Haga gráficos exploratorios que le de ideas del estado de los datos.
| ## Analisis |
| ## Divorcios |
r EdadMujD2009 <- sum(D2009$Edadmuj) EdadMujD2010 <- sum(D2010$edadmuj) EdadMujD2011 <- sum(D2011$edadmuj) EdadMujD2012 <- sum(D2012$EDADMUJ) EdadMujD2013 <- sum(D2013$EDADMUJ) EdadMujD2014 <- sum(D2014$EDADMUJ) EdadMujD2015 <- sum(D2015$EDADMUJ) EdadMujD2016 <- sum(D2016$EDADMUJ) EdadMujD2017 <- sum(D2017$EDADMUJ) EdadMujD2018 <- sum(D2018$EDADMUJ) EdadMujD2019 <- sum(D2019$EDADMUJ) EdadMujD2020 <- sum(D2020$EDADMUJ) EdadMujD2021 <- sum(D2021$EDADMUJ) |
r dfD <- data.frame (año = c("2009", "2010", "2011", "2012", "2013", "2014", "2015", "2016", "2017","2018","2019","2020","2021"), matrimonios = c(EdadMujD2009, EdadMujD2010, EdadMujD2011, EdadMujD2012, EdadMujD2013, EdadMujD2014, EdadMujD2015, EdadMujD2016, EdadMujD2017, EdadMujD2018, EdadMujD2019, EdadMujD2020, EdadMujD2021)) print(dfD) |
## año matrimonios ## 1 2009 1173016 ## 2 2010 2764309 ## 3 2011 3086834 ## 4 2012 3512781 ## 5 2013 3572498 ## 6 2014 3342987 ## 7 2015 3251831 ## 8 2016 3064039 ## 9 2017 3042894 ## 10 2018 3062850 ## 11 2019 3933259 ## 12 2020 1687235 ## 13 2021 3733294 |
r ggplot(dfD, aes(x=año, y=matrimonios, group = 1)) + geom_point(size = 2, color = "green") + geom_line(color="green") + labs(x = "Año", y = "Divorcios", title = "Divorcios") |
 |
| ## Matrimonios |
r EdadMujM2009 <- sum(M2009$Edadmuj) |
## Warning: Unknown or uninitialised column: `Edadmuj`. |
r EdadMujM2010 <- sum(M2010$edadmuj) |
## Warning: Unknown or uninitialised column: `edadmuj`. |
r EdadMujM2011 <- sum(M2011$edadmuj) |
## Warning: Unknown or uninitialised column: `edadmuj`. |
r EdadMujM2012 <- sum(M2012$EDADMUJ) EdadMujM2013 <- sum(M2013$EDADMUJ) EdadMujM2014 <- sum(M2014$EDADMUJ) EdadMujM2015 <- sum(M2015$EDADMUJ) EdadMujM2016 <- sum(M2016$EDADMUJ) EdadMujM2017 <- sum(M2017$EDADMUJ) EdadMujM2018 <- sum(M2018$EDADMUJ) EdadMujM2019 <- sum(M2019$EDADMUJ) EdadMujM2020 <- sum(M2020$EDADMUJ) EdadMujM2021 <- sum(M2021$EDADMUJ) |
r dfD <- data.frame (año = c("2009", "2010", "2011", "2012", "2013", "2014", "2015", "2016", "2017","2018","2019","2020","2021"), matrimonios = c(EdadMujM2009, EdadMujM2010, EdadMujM2011, EdadMujM2012, EdadMujM2013, EdadMujM2014, EdadMujM2015, EdadMujM2016, EdadMujM2017, EdadMujM2018, EdadMujM2019, EdadMujM2020, EdadMujM2021)) print(dfD) |
## año matrimonios ## 1 2009 0 ## 2 2010 0 ## 3 2011 0 ## 4 2012 2251360 ## 5 2013 2116792 ## 6 2014 2089815 ## 7 2015 2065832 ## 8 2016 1914942 ## 9 2017 1949642 ## 10 2018 2038355 ## 11 2019 2094080 ## 12 2020 1555747 ## 13 2021 2407251 |
r ggplot(dfD, aes(x=año, y=matrimonios, group = 1)) + geom_point(size = 2, color = "green") + geom_line(color="green") + labs(x = "Año", y = "Matrimonios", title = "Matrimonios") |
 |
| ## Nacimientos |
r EdadMujN2009 <- sum(N2009$Edadm) EdadMujN2010 <- sum(N2010$Edadm) EdadMujN2011 <- sum(N2011$Edadm) EdadMujN2012 <- sum(N2012$Edadm) EdadMujN2013 <- sum(N2013$Edadm) EdadMujN2014 <- sum(N2014$Edadm) EdadMujN2015 <- sum(N2015$Edadm) EdadMujN2016 <- sum(N2016$Edadm) EdadMujN2017 <- sum(N2017$Edadm) EdadMujN2018 <- sum(N2018$Edadm) EdadMujN2019 <- sum(N2019$Edadm) EdadMujN2020 <- sum(N2020$Edadm) EdadMujN2021 <- sum(N2021$Edadm) |
r dNac <- data.frame (año = c("2009", "2010", "2011", "2012", "2013", "2014", "2015", "2016", "2017","2018","2019","2020","2021"), matrimonios = c(EdadMujN2009, EdadMujN2010, EdadMujN2011, EdadMujN2012, EdadMujN2013, EdadMujN2014, EdadMujN2015, EdadMujN2016, EdadMujN2017, EdadMujN2018, EdadMujN2019, EdadMujN2020, EdadMujN2021)) print(dNac) |
## año matrimonios ## 1 2009 20298288 ## 2 2010 9550498 ## 3 2011 9713100 ## 4 2012 9974089 ## 5 2013 10152809 ## 6 2014 10021535 ## 7 2015 10162460 ## 8 2016 10093076 ## 9 2017 9862143 ## 10 2018 9922821 ## 11 2019 9922821 ## 12 2020 9473381 ## 13 2021 8949596 |
r ggplot(dNac, aes(x=año, y=matrimonios, group = 1)) + geom_point(size = 2, color = "green") + geom_line(color="green") + labs(x = "Año", y = "Nacimientos", title = "Nacimientos") |
 |
Histogramas
2009
library(dplyr)
library(ggplot2)
D2009 <- subset(D2009, Edadmuj < 999)
barplot(table(D2009$Edadmuj), main = "Edad de la mujer en divorcios 2009", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2010
D2010 <- subset(D2010, edadmuj < 999)
barplot(table(D2010$edadmuj), main = "Edad de la mujer en divorcios 2010", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2011
D2011 <- subset(D2011, edadmuj < 999)
barplot(table(D2011$edadmuj), main = "Edad de la mujer en divorcios 2011", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2012
D2012 <- subset(D2012, EDADMUJ < 999)
barplot(table(D2012$EDADMUJ), main = "Edad de la mujer en divorcios 2012", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2013
D2013 <- subset(D2013, EDADMUJ < 999)
barplot(table(D2013$EDADMUJ), main = "Edad de la mujer en divorcios 2013", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2014
D2014 <- subset(D2014, EDADMUJ < 999)
barplot(table(D2014$EDADMUJ), main = "Edad de la mujer en divorcios 2014", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2015
D2015 <- subset(D2015, EDADMUJ < 999)
barplot(table(D2015$EDADMUJ), main = "Edad de la mujer en divorcios 2015", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2016
D2016 <- subset(D2016, EDADMUJ < 999)
barplot(table(D2016$EDADMUJ), main = "Edad de la mujer en divorcios 2016", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2017
D2017 <- subset(D2017, EDADMUJ < 999)
barplot(table(D2017$EDADMUJ), main = "Edad de la mujer en divorcios 2017", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2018
D2018 <- subset(D2018, EDADMUJ < 999)
barplot(table(D2018$EDADMUJ), main = "Edad de la mujer en divorcios 2018", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2019
D2019 <- subset(D2019, EDADMUJ < 999)
barplot(table(D2019$EDADMUJ), main = "Edad de la mujer en divorcios 2019", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2020
D2020 <- subset(D2020, EDADMUJ < 999)
barplot(table(D2020$EDADMUJ), main = "Edad de la mujer en divorcios 2020", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
2021
D2021 <- subset(D2021, EDADMUJ < 999)
barplot(table(D2021$EDADMUJ), main = "Edad de la mujer en divorcios 2021", xlab = "Edad", ylab = "Cantidad", col = "steelblue" , border = "pink")
Combinando datos
colnames(D2009) <- c("DEPREG", "MUPREG", "MESREG", "AÑOREG", "DIAOCU", "MESOCU", "AÑOOCU", "DEPOCU", "MUPOCU", "EDADHOM", "EDADMUJ", "PPERHOM", "PPERMUJ", "NACHOM", "NACMUJ", "CIUOHOM", "CIUOMUJ", "Mever", "Anover")
colnames(D2010) <- c("DEPREG", "MUPREG", "MESREG", "AÑOREG", "DIAOCU", "MESOCU", "AÑOOCU", "DEPOCU", "MUPOCU", "EDADHOM", "EDADMUJ", "PPERHOM", "PPERMUJ", "NACHOM", "NACMUJ", "ESCHOM", "ESCMUJ", "CIUOHOM", "CIUOMUJ")
colnames(D2011) <- c("DEPREG", "MUPREG", "MESREG", "AÑOREG", "DIAOCU", "MESOCU", "AÑOOCU", "DEPOCU", "MUPOCU", "EDADHOM", "EDADMUJ", "PPERHOM", "PPERMUJ", "NACHOM", "NACMUJ", "ESCHOM", "ESCMUJ", "CIUOHOM", "CIUOMUJ")
colnames(D2012) <- c("DEPREG", "MUPREG", "MESREG", "AÑOREG", "DIAOCU", "MESOCU", "DEPOCU", "MUPOCU", "EDADHOM", "EDADMUJ", "PPERHOM", "PPERMUJ", "NACHOM", "NACMUJ", "ESCHOM", "ESCMUJ", "CIUOHOM", "CIUOMUJ")
colnames(D2013) <- c( "DEPREG", "MUPREG", "MESREG", "AÑOREG", "DIAOCU", "MESOCU", "DEPOCU", "MUPOCU", "EDADHOM", "EDADMUJ", "PPERHOM", "PPERMUJ", "NACHOM", "NACMUJ", "ESCHOM", "ESCMUJ", "CIUOHOM", "CIUOMUJ")
colnames(D2014) <- c( "DEPREG", "MUPREG", "MESREG", "AÑOREG", "DIAOCU", "MESOCU", "DEPOCU", "MUPOCU", "EDADHOM", "EDADMUJ", "PPERHOM", "PPERMUJ", "NACHOM", "NACMUJ", "ESCHOM", "ESCMUJ", "CIUOHOM", "CIUOMUJ")
colnames(D2015) <- c("DEPREG", "MUPREG", "MESREG", "AÑOREG", "DIAOCU", "MESOCU", "AÑOOCU", "DEPOCU", "MUPOCU", "EDADHOM", "EDADMUJ", "PPERHOM", "PPERMUJ", "NACHOM", "NACMUJ", "ESCHOM", "ESCMUJ", "CIUOHOM", "CIUOMUJ")D2009 <- D2009 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2010 <- D2010 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2011 <- D2011 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2012 <- D2012 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2013 <- D2013 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2014 <- D2014 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2015 <- D2015 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2016 <- D2016 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2017 <- D2017 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2018 <- D2018 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2019 <- D2019 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2020 <- D2020 %>% mutate(AÑOREG = as.numeric(AÑOREG))
D2021 <- D2021 %>% mutate(AÑOREG = as.numeric(AÑOREG))D2009 <- D2009 %>% mutate(AÑOOCU = as.numeric(AÑOOCU))
D2010 <- D2010 %>% mutate(AÑOOCU = as.numeric(AÑOOCU))
D2011 <- D2011 %>% mutate(AÑOOCU = as.numeric(AÑOOCU))D2009 <- D2009 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2010 <- D2010 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2011 <- D2011 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2012 <- D2012 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2013 <- D2013 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2014 <- D2014 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2015 <- D2015 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2016 <- D2016 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2017 <- D2017 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2018 <- D2018 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2019 <- D2019 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2020 <- D2020 %>% mutate(CIUOHOM = as.character(CIUOHOM))
D2021 <- D2021 %>% mutate(CIUOHOM = as.character(CIUOHOM))D2009 <- D2009 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2010 <- D2010 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2011 <- D2011 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2012 <- D2012 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2013 <- D2013 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2014 <- D2014 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2015 <- D2015 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2016 <- D2016 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2017 <- D2017 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2018 <- D2018 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2019 <- D2019 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2020 <- D2020 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))
D2021 <- D2021 %>% mutate(CIUOMUJ = as.character(CIUOMUJ))#divorcios <- bind_rows(D2009, D2010, D2011, D2012, D2013, D2014, D2015, D2016, D2017, D2018, D2019, D2020, D2021)
divorcios <- bind_rows( D2012, D2013, D2014, D2015, D2016, D2017, D2018, D2019, D2020, D2021)
#l = list(D2012, D2013, D2014, D2015, D2016, D2017, D2018, D2019, D2020, D2021)
#divorcios <- do.call("rbind",l)str(divorcios)## tibble [30,378 × 19] (S3: tbl_df/tbl/data.frame)
## $ DEPREG : dbl+lbl [1:30378] 17, 12, 1, 14, 1, 1, 1, 1, 1, 1, 9, 22, 3, ...
## ..@ labels: Named num [1:22] 1 2 3 4 5 6 7 8 9 10 ...
## .. ..- attr(*, "names")= chr [1:22] "Guatemala" "El Progreso" "Sacatepequez" "Chimaltenango" ...
## ..@ label : chr "Departamento de registro"
## $ MUPREG : chr+lbl [1:30378] 1708, 1213, 0101, 1416, 0101, 0101, 0101, 0101, 0101...
## ..@ labels: Named chr [1:342] "1010" "2010" "0110" "1210" ...
## .. ..- attr(*, "names")= chr [1:342] "San Antonio Suchitepéquez" "San Jacinto" "San Juan Sacatepéquez" "Tejutla" ...
## ..@ label : chr "Municipio de registro"
## $ MESREG : dbl+lbl [1:30378] 3, 5, 4, 6, 10, 2, 8, 11, 9, 8, 4, 1, 4, ...
## ..@ labels: Named num [1:12] 1 2 3 4 5 6 7 8 9 10 ...
## .. ..- attr(*, "names")= chr [1:12] "Enero" "Febrero" "Marzo" "Abril" ...
## ..@ label : chr "Mes de registro"
## $ AÑOREG : num [1:30378] 2012 2012 2012 2012 2012 ...
## $ DIAOCU : num [1:30378] 16 3 27 28 12 9 11 3 29 16 ...
## $ MESOCU : dbl+lbl [1:30378] 2, 2, 3, 5, 3, 1, 6, 8, 2, 5, 5, 2, 4, ...
## ..@ label : chr "Mes de ocurrencia"
## ..@ format.spss: chr "F2.0"
## ..@ labels : Named num [1:12] 1 2 3 4 5 6 7 8 9 10 ...
## .. ..- attr(*, "names")= chr [1:12] "Enero" "Febrero" "Marzo" "Abril" ...
## $ DEPOCU : dbl+lbl [1:30378] 17, 12, 1, 14, 1, 1, 1, 1, 1, 1, 9, 22, 1, ...
## ..@ labels: Named num [1:22] 1 2 3 4 5 6 7 8 9 10 ...
## .. ..- attr(*, "names")= chr [1:22] "Guatemala" "El Progreso" "Sacatepequez" "Chimaltenango" ...
## ..@ label : chr "Departamento de ocurrencia"
## $ MUPOCU : chr+lbl [1:30378] 1703, 1215, 0101, 1401, 0101, 0101, 0101, 0101, 0101...
## ..@ labels: Named chr [1:342] "1010" "2010" "0110" "1210" ...
## .. ..- attr(*, "names")= chr [1:342] "San Antonio Suchitepéquez" "San Jacinto" "San Juan Sacatepéquez" "Tejutla" ...
## ..@ label : chr "Municipio de ocurrencia"
## $ EDADHOM: dbl+lbl [1:30378] 999, 35, 33, 31, 27, 37, 41, 36, 46, 38, 3...
## ..@ label : chr "Edad del hombre"
## ..@ format.spss: chr "F4.0"
## ..@ labels : Named num 999
## .. ..- attr(*, "names")= chr "Ignorado"
## $ EDADMUJ: dbl+lbl [1:30378] 33, 30, 32, 28, 29, 30, 42, 30, 37, 35, 35, 33, 38, ...
## ..@ label : chr "Edad de la mujer"
## ..@ format.spss: chr "F4.0"
## ..@ labels : Named num 999
## .. ..- attr(*, "names")= chr "Ignorado"
## $ PPERHOM: dbl+lbl [1:30378] 9, 2, 9, 9, 2, 9, 2, 2, 2, 2, 1, 9, 2, 2, 1, 2, 2, 9...
## ..@ labels: Named num [1:6] 1 2 9 3 4 5
## .. ..- attr(*, "names")= chr [1:6] "Indigena" "No indigena" "Ignorado" "Xinca" ...
## ..@ label : chr "Grupo Etnico del hombre"
## $ PPERMUJ: dbl+lbl [1:30378] 2, 2, 2, 2, 2, 9, 9, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 9...
## ..@ labels: Named num [1:6] 1 2 9 3 4 5
## .. ..- attr(*, "names")= chr [1:6] "Indigena" "No indigena" "Ignorado" "Xinca" ...
## ..@ label : chr "Grupo Etnico de la mujer"
## $ NACHOM : dbl+lbl [1:30378] 320, 320, 320, 320, 320, 320, 320, 320, 320, 320, 32...
## ..@ labels: Named num [1:105] 32 56 68 84 124 156 170 188 192 222 ...
## .. ..- attr(*, "names")= chr [1:105] "Argentina" "Bélgica" "Bolivia" "Belice" ...
## ..@ label : chr "Nacionalidad del hombre"
## $ NACMUJ : dbl+lbl [1:30378] 320, 320, 320, 320, 320, 320, 320, 320, 320, 320, 32...
## ..@ labels: Named num [1:103] 76 84 170 188 192 218 222 276 320 340 ...
## .. ..- attr(*, "names")= chr [1:103] "Brasil" "Belice" "Colombia" "Costa Rica" ...
## ..@ label : chr "Nacionalidad de la mujer"
## $ ESCHOM : dbl+lbl [1:30378] 9, 5, 5, 1, 4, 9, 5, 5, 5, 9, 4, 9, 3, 5, 9, 9, 3, 9...
## ..@ labels: Named num [1:8] 1 2 3 4 5 9 6 0
## .. ..- attr(*, "names")= chr [1:8] "Ninguna" "Primaria" "Básico" "Diversificado" ...
## ..@ label : chr "Escolaridad del hombre"
## $ ESCMUJ : dbl+lbl [1:30378] 4, 9, 5, 4, 5, 9, 5, 5, 5, 5, 4, 4, 4, 5, 4, 5, 5, 9...
## ..@ labels: Named num [1:8] 1 2 3 4 5 9 6 0
## .. ..- attr(*, "names")= chr [1:8] "Ninguna" "Primaria" "Básico" "Diversificado" ...
## ..@ label : chr "Escolaridad de la mujer"
## $ CIUOHOM: chr [1:30378] "9712" "110" "2142" "8189" ...
## $ CIUOMUJ: chr [1:30378] "110" "1120" "1120" "1120" ...
## $ AÑOOCU : num [1:30378] NA NA NA NA NA NA NA NA NA NA ...## Warning: The dot-dot notation (`..density..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(density)` instead.## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
boxplot(divorcios$AÑOREG, main = "Caja y Bigotes de registro de divorcios por año (2012 - 2021)", xlab = "Registro por año")
Diagrama de qqnormal
Registros de Edad hombre
Prueba de normalidad para la edad del hombre:
## Don't know how to automatically pick scale for object of type
## <haven_labelled/vctrs_vctr/double>. Defaulting to continuous.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Diagrama de caja y bigotes
Diagrama qqnormal
Registros de edad de mujeres
Prueba de normalidad para la edad de la mujer:
## Don't know how to automatically pick scale for object of type
## <haven_labelled/vctrs_vctr/double>. Defaulting to continuous.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Diagrama de caja y bigotes
Diagrama qqnormal
Tabla de frecuencias para variables cualitativas
Tabla de frecuencias para el departamento de ocurrencia y representación gráfica
D2009 <- D2009 %>%
mutate_if(is.labelled,list(as_factor))
D2010 <- D2010 %>%
mutate_if(is.labelled,list(as_factor))
D2011 <- D2011 %>%
mutate_if(is.labelled,list(as_factor))
D2012 <- D2012 %>%
mutate_if(is.labelled,list(as_factor))
D2013 <- D2013 %>%
mutate_if(is.labelled,list(as_factor))
D2014 <- D2014 %>%
mutate_if(is.labelled,list(as_factor))
D2015 <- D2015 %>%
mutate_if(is.labelled,list(as_factor))
D2016 <- D2016 %>%
mutate_if(is.labelled,list(as_factor))
D2017 <- D2017 %>%
mutate_if(is.labelled,list(as_factor))
D2018 <- D2018 %>%
mutate_if(is.labelled,list(as_factor))
D2019 <- D2019 %>%
mutate_if(is.labelled,list(as_factor))
D2020 <- D2020 %>%
mutate_if(is.labelled,list(as_factor))
D2021 <- D2021 %>%
mutate_if(is.labelled,list(as_factor))
divorciosLabels <- bind_rows( D2012, D2013, D2014, D2015, D2016, D2017, D2018, D2019, D2020, D2021)##
## Guatemala El Progreso Sacatepequez Chimaltenango Escuintla
## 10008 554 482 815 1418
## Santa Rosa Solola Totonicapan Quetzaltenango Suchitepequez
## 898 312 404 2751 705
## Retalhuleu San Marcos Huehuetenango Quiche Baja Verapaz
## 912 1455 1107 635 645
## Alta Verapaz Peten Izabal Zacapa Chiquimula
## 892 579 978 762 798
## Jalapa Jutiapa Sacatepéquez Sololá Totonicapán
## 604 1474 162 91 171
## Suchitepéquez Quiché Petén
## 267 274 225
Tabla de frecuencias para el municipio de ocurrencia
##
## Guatemala Santa Catarina Pinula
## 6367 239
## San José Pinula San José del Golfo
## 176 34
## Palencia Chinautla
## 79 199
## San Pedro Ayampuc Mixco
## 95 779
## San Pedro Sacatepéquez San Juan Sacatepéquez
## 185 131
## San Raymundo Chuarrancho
## 91 19
## Fraijanes Amatitlán
## 82 356
## Villa Nueva Villa Canales
## 749 314
## Petapa Guastatoya
## 231 206
## Morazán San Agustín Acasaguastlán
## 29 58
## San Cristóbal Acasaguastlán El Jícaro
## 16 53
## Sansare Sanarate
## 33 107
## San Antonio la Paz Antigua Guatemala
## 52 262
## Jocotenango Pastores
## 62 19
## Sumpango Santo Domingo Xenacoj
## 18 7
## Santiago Sacatepéquez San Bartolomé Milpas Altas
## 30 12
## San Lucas Sacatepéquez Santa Lucía Milpas Altas
## 81 41
## Magdalena Milpas Altas Santa María de Jesús
## 19 5
## Ciudad Vieja San Miguel Dueñas
## 35 15
## Alotenango San Antonio Aguas Calientes
## 12 21
## Santa Catarina Barahona Chimaltenango
## 5 296
## San José Poaquil San Martín Jilotepeque
## 18 47
## Comalapa Santa Apolonia
## 40 8
## Tecpán Guatemala Patzún
## 90 53
## Pochuta Patzicía
## 4 45
## Santa Cruz Balanyá Acatenango
## 14 19
## Yepocapa San Andrés Itzapa
## 10 40
## Parramos Zaragoza
## 25 69
## El Tejar Escuintla
## 37 524
## Santa Lucía Cotzumalguapa La Democracia
## 170 105
## Siquinalá Masagua
## 32 28
## Tiquisate La Gomera
## 156 72
## Guanagazapa San José
## 16 174
## Iztapa Palín
## 46 84
## San Vicente Pacaya Nueva Concepción
## 22 89
## Cuilapa Barberena
## 182 156
## Santa Rosa de Lima Casillas
## 47 40
## San Rafael las Flores Oratorio
## 15 37
## San Juan Tecuaco Chiquimulilla
## 11 134
## Taxisco Santa María Ixhuatán
## 49 33
## Guazacapán Santa Cruz Naranjo
## 61 33
## Pueblo Nuevo Viñas Nueva Santa Rosa
## 35 65
## Sololá San José Chacayá
## 158 1
## Santa María Visitación Santa Lucía Utatlán
## 0 30
## Nahualá Santa Catarina Ixtahuacán
## 34 19
## Santa Clara la Laguna Concepción
## 13 3
## San Andrés Semetabaj Panajachel
## 5 52
## Santa Catarina Palopó San Antonio Palopó
## 4 7
## San Lucas Tolimán Santa Cruz la Laguna
## 31 5
## San Pablo la Laguna San Marcos la Laguna
## 1 0
## San Juan la Laguna San Pedro la Laguna
## 14 11
## Santiago Atitlán Totonicapán
## 15 290
## San Cristóbal Totonicapán San Francisco el Alto
## 39 53
## San Andrés Xecul Momostenango
## 29 111
## Santa María Chiquimula Santa Lucía la Reforma
## 25 12
## San Bartolo Quetzaltenango
## 16 1166
## Salcajá Olintepeque
## 131 67
## San Carlos Sija Sibilia
## 57 16
## Cabricán Cajolá
## 17 6
## San Miguel Siguilá Ostuncalco
## 9 77
## San Mateo Concepción Chiquirichapa
## 20 30
## San Martín Sacatepéquez Almolonga
## 36 29
## Cantel Huitán
## 121 14
## Zunil Colomba
## 51 87
## San Francisco la Unión El Palmar
## 10 38
## Coatepeque Génova
## 501 113
## Flores Costa Cuca La Esperanza
## 58 79
## Palestina de los Altos Mazatenango
## 18 382
## Cuyotenango San Francisco Zapotitlán
## 92 67
## San Bernardino San José el Idolo
## 57 11
## Santo Domingo Suchitepéquez San Lorenzo
## 15 28
## Samayac San Pablo Jocopilas
## 44 23
## San Antonio Suchitepéquez San Miguel Panán
## 60 4
## San Gabriel Chicacao
## 12 38
## Patulul Santa Bárbara
## 28 24
## San Juan Bautista Santo Tomás la Unión
## 6 22
## Zunilito Pueblo Nuevo
## 17 29
## Río Bravo Retalhuleu
## 37 484
## San Sebastián Santa Cruz Muluá
## 79 27
## San Martín Zapotitlán San Felipe
## 29 46
## San Andrés Villa Seca Champerico
## 75 78
## Nuevo San Carlos El Asintal
## 50 44
## San Marcos San Antonio Sacatepéquez
## 167 20
## Comitancillo San Miguel Ixtahuacán
## 12 9
## Concepción Tutuapa Tacaná
## 13 21
## Sibinal Tajumulco
## 3 8
## Tejutla San Rafael Pié de la Cuesta
## 57 44
## Nuevo Progreso El Tumbador
## 43 42
## El Rodeo Malacatán
## 11 232
## Catarina Ayutla
## 35 151
## Ocós San Pablo
## 105 58
## El Quetzal La Reforma
## 71 29
## Pajapita Ixchiguán
## 49 36
## San José Ojetenán San Cristóbal Cucho
## 5 47
## Sipacapa Esquipulas Palo Gordo
## 9 8
## Río Blanco Huehuetenango
## 26 516
## Chiantla Malacatancito
## 46 36
## Cuilco Nentón
## 24 12
## San Pedro Necta Jacaltenango
## 16 23
## Soloma Ixtahuacán
## 44 23
## La Libertad San Miguel Acatán
## 108 7
## San Rafael la Independencia Todos Santos Cuchumatán
## 4 37
## San Juan Atitán Santa Eulalia
## 14 15
## San Mateo Ixtatán Colotenango
## 2 14
## San Sebastián Huehuetenango Tectitán
## 7 4
## Concepción Huista San Juan Ixcoy
## 7 9
## San Antonio Huista San Sebastián Coatán
## 16 37
## Barillas Aguacatán
## 33 21
## San Rafael Petzal San Gaspar Ixchil
## 5 2
## Santiago Chimaltenango Santa Ana Huista
## 5 4
## Unión Cantinil Santa Cruz del Quiché
## 2 280
## Chiché Chinique
## 16 23
## Zacualpa Chajul
## 33 8
## Chichicastenango Patzité
## 79 5
## San Antonio Ilotenango San Pedro Jocopilas
## 22 12
## Cunén San Juan Cotzal
## 33 10
## Joyabaj Nebaj
## 105 73
## San Andrés Sajcabajá Uspantán
## 12 37
## Sacapulas San Bartolomé Jocotenango
## 41 5
## Canillá Chicamán
## 23 18
## Ixcán Pachalum
## 44 30
## Salamá San Miguel Chicaj
## 304 23
## Rabinal Cubulco
## 84 73
## Granados El Chol
## 28 29
## San Jerónimo Purulhá
## 80 24
## Cobán Santa Cruz Verapaz
## 453 32
## San Cristóbal Verapaz Tactic
## 68 48
## Tamahú Tucurú
## 6 6
## Panzós Senahú
## 7 13
## San Pedro Carchá San Juan Chamelco
## 97 51
## Lanquín Cahabón
## 6 5
## Chisec Chahal
## 32 5
## Fray Bartolomé de las Casas Santa Catalina la Tinta
## 48 11
## Raxruhá Flores
## 4 108
## San Benito San Andrés
## 208 41
## San Francisco Santa Ana
## 37 18
## Dolores San Luis
## 49 27
## Sayaxché Melchor de Mencos
## 36 37
## Poptún Las Cruces
## 129 12
## Puerto Barrios Livingston
## 617 58
## El Estor Morales
## 22 197
## Los Amates Zacapa
## 84 395
## Estanzuela Río Hondo
## 56 85
## Gualán Teculután
## 107 32
## Usumatlán Cabañas
## 13 18
## San Diego La Unión
## 27 15
## Huité Chiquimula
## 9 308
## San José La Arada San Juan Ermita
## 27 21
## Jocotán Camotán
## 31 15
## Olopa Esquipulas
## 24 116
## Concepción Las Minas Quetzaltepeque
## 78 53
## San Jacinto Ipala
## 10 115
## Jalapa San Pedro Pinula
## 387 29
## San Luis Jilotepeque San Manuel Chaparrón
## 31 19
## San Carlos Alzatate Monjas
## 10 99
## Mataquescuintla Jutiapa
## 29 500
## El Progreso Santa Catarina Mita
## 152 91
## Agua Blanca Asunción Mita
## 78 160
## Yupiltepeque Atescatempa
## 23 49
## Jerez El Adelanto
## 13 9
## Zapotitlán Comapa
## 13 39
## Jalpatagua Conguaco
## 114 9
## Moyuta Pasaco
## 91 5
## San José Acatempa Quesada
## 81 47
## San José La Maquina La Blanca
## 0 8
## El Chal San Jorge
## 6 5
## Sipacate San José la Maquina
## 0 4
## Petatán Extranjero
## 0 0
## Ignorado
## 0
Tabla de frecuencias para la escolaridad del hombre
##
## Ninguna Primaria Básico Diversificado Universitario
## 318 4846 3138 10566 3149
## Ignorado Ninguno Postgrado Básica Post Grado
## 5275 2752 7 280 47
## Doctorado
## 0
Tabla de frecuencias para la escolaridad de la Mujer
##
## Ninguna Primaria Básico Diversificado Universitario
## 347 5118 3439 11462 3082
## Ignorado Ninguno Postgrado Básica Post Grado
## 3534 3074 4 289 29
## Doctorado
## 0
Tabla de frecuencias para el grupo étnico del hombre
##
## Garífuna Ignorado Indigena Ladino / Mestizo
## 18 6141 182 19355
## Maya No indigena Otro Xinka
## 3564 820 293 5
Tabla de frecuencias para el grupo étnico de la mujer
##
## Garífuna Ignorado Indigena Ladino / Mestizo
## 21 4740 192 20671
## Maya No indigena Otro Xinka
## 3401 987 363 3
Correlacion entre edades de los cónyuges
Ocupacion en Hombre 2009-2021
ocupacion en Mujeres 2009-2021
Clustering
Haga un agrupamiento (clustering) e interprete los resultados.
divorcios$AÑOOCU <- as.numeric(factor(divorcios$AÑOOCU))
datosClustering <- divorcios[,c("AÑOREG","EDADHOM","EDADMUJ","AÑOOCU")]
data_omit <- na.omit(datosClustering)
summary(datosClustering)## AÑOREG EDADHOM EDADMUJ AÑOOCU
## Min. :2012 Min. : 15.0 Min. :15.00 Min. :1.000
## 1st Qu.:2015 1st Qu.: 29.0 1st Qu.:26.00 1st Qu.:3.000
## Median :2018 Median : 34.0 Median :31.00 Median :5.000
## Mean :2018 Mean :106.8 Mean :32.49 Mean :4.482
## 3rd Qu.:2020 3rd Qu.: 42.0 3rd Qu.:37.00 3rd Qu.:7.000
## Max. :2022 Max. :999.0 Max. :81.00 Max. :7.000
## NA's :6027## Warning: did not converge in 10 iterations
Edad mujeres y hombres en divorcio entre 2009-2021 por medio de k-means
Agrupamiento por medio de k-means
Mixture of gaussians
Fuzzy C-means
## AÑOREG EDADHOM EDADMUJ AÑOOCU grupo
## Min. :2015 Min. :18.00 Min. :16.00 Min. :1.000 Min. :1
## 1st Qu.:2017 1st Qu.:28.00 1st Qu.:26.00 1st Qu.:3.000 1st Qu.:1
## Median :2019 Median :33.00 Median :30.00 Median :5.000 Median :1
## Mean :2019 Mean :35.34 Mean :32.17 Mean :4.516 Mean :1
## 3rd Qu.:2021 3rd Qu.:40.00 3rd Qu.:37.00 3rd Qu.:7.000 3rd Qu.:1
## Max. :2022 Max. :98.00 Max. :81.00 Max. :7.000 Max. :1## AÑOREG EDADHOM EDADMUJ AÑOOCU grupo
## Min. :2015 Min. :999 Min. :18.00 Min. :1.000 Min. :2
## 1st Qu.:2016 1st Qu.:999 1st Qu.:34.00 1st Qu.:2.000 1st Qu.:2
## Median :2018 Median :999 Median :40.00 Median :4.000 Median :2
## Mean :2018 Mean :999 Mean :40.99 Mean :3.921 Mean :2
## 3rd Qu.:2020 3rd Qu.:999 3rd Qu.:46.75 3rd Qu.:6.000 3rd Qu.:2
## Max. :2022 Max. :999 Max. :76.00 Max. :7.000 Max. :2## AÑOREG EDADHOM EDADMUJ AÑOOCU grupo
## Min. :2015 Min. : 18.0 Min. :16.00 Min. :1.000 Min. :1.000
## 1st Qu.:2017 1st Qu.: 30.0 1st Qu.:27.00 1st Qu.:3.000 1st Qu.:1.000
## Median :2019 Median : 36.0 Median :32.00 Median :4.000 Median :1.000
## Mean :2019 Mean :239.6 Mean :34.01 Mean :4.252 Mean :1.212
## 3rd Qu.:2021 3rd Qu.: 56.0 3rd Qu.:39.00 3rd Qu.:6.000 3rd Qu.:1.000
## Max. :2022 Max. :999.0 Max. :76.00 Max. :7.000 Max. :2.000
## mxGau
## Min. :1
## 1st Qu.:1
## Median :1
## Mean :1
## 3rd Qu.:1
## Max. :1## AÑOREG EDADHOM EDADMUJ AÑOOCU grupo
## Min. :2015 Min. :18.00 Min. :16.00 Min. :1.000 Min. :1
## 1st Qu.:2017 1st Qu.:28.00 1st Qu.:26.00 1st Qu.:3.000 1st Qu.:1
## Median :2019 Median :33.00 Median :30.00 Median :5.000 Median :1
## Mean :2019 Mean :35.32 Mean :32.18 Mean :4.566 Mean :1
## 3rd Qu.:2021 3rd Qu.:40.00 3rd Qu.:37.00 3rd Qu.:7.000 3rd Qu.:1
## Max. :2021 Max. :90.00 Max. :81.00 Max. :7.000 Max. :1
## mxGau
## Min. :2
## 1st Qu.:2
## Median :2
## Mean :2
## 3rd Qu.:2
## Max. :2## AÑOREG EDADHOM EDADMUJ AÑOOCU grupo
## Min. :2015 Min. :999 Min. :18.00 Min. :1.000 Min. :2
## 1st Qu.:2016 1st Qu.:999 1st Qu.:34.00 1st Qu.:2.000 1st Qu.:2
## Median :2018 Median :999 Median :40.00 Median :4.000 Median :2
## Mean :2018 Mean :999 Mean :40.99 Mean :3.921 Mean :2
## 3rd Qu.:2020 3rd Qu.:999 3rd Qu.:46.75 3rd Qu.:6.000 3rd Qu.:2
## Max. :2022 Max. :999 Max. :76.00 Max. :7.000 Max. :2
## mxGau FCGrupos
## Min. :1 Min. :1
## 1st Qu.:1 1st Qu.:1
## Median :1 Median :1
## Mean :1 Mean :1
## 3rd Qu.:1 3rd Qu.:1
## Max. :1 Max. :1## AÑOREG EDADHOM EDADMUJ AÑOOCU grupo
## Min. :2015 Min. :18.00 Min. :16.00 Min. :1.000 Min. :1
## 1st Qu.:2017 1st Qu.:28.00 1st Qu.:26.00 1st Qu.:3.000 1st Qu.:1
## Median :2019 Median :33.00 Median :30.00 Median :5.000 Median :1
## Mean :2019 Mean :35.34 Mean :32.17 Mean :4.516 Mean :1
## 3rd Qu.:2021 3rd Qu.:40.00 3rd Qu.:37.00 3rd Qu.:7.000 3rd Qu.:1
## Max. :2022 Max. :98.00 Max. :81.00 Max. :7.000 Max. :1
## mxGau FCGrupos
## Min. :1.000 Min. :2
## 1st Qu.:2.000 1st Qu.:2
## Median :2.000 Median :2
## Mean :1.778 Mean :2
## 3rd Qu.:2.000 3rd Qu.:2
## Max. :2.000 Max. :2Evaluación de la tendencia de agrupamiento:
En hombres
En mujeres
